想让Nova AI v2版本的实时对话能力真正发挥出来吗？关键不在于调几个API参数，而是要彻底理解它那套全新的指令体系。这套指令可不是小修小补，它是直接控制speech-to-speech流式响应、轮次感知和函数调用闭环的核心开关。换句话说，搞懂它，才算真正上手了新一代语音智能体。

理解v2指令体系的底层逻辑

先说个核心判断：v2版本彻底抛弃了经典版“STT→LLM→TTS”三段式指令链。所有指令围绕音频流的生命周期来设计。最大的变化是——指令不再处理文本，而是直接绑定音频chunk的起始、中断和语义边界事件。这意味着，你发一个“/summarize”这样的文本指令，在v2里是无效的。必须改用audio_start:summary这类带上下文锚点的音频事件指令，不然模型压根不认。

经典版依赖VAD模块去判断用户是否说完，这个模块其实挺笨的，经常误判。v2则由模型原生识别停顿、反问、语气词等17类语音韵律特征，精准度上了一个台阶。因此，v2指令必须携带context_window=300ms这类时间窗口声明，否则模型无法对齐音频帧与语义单元，响应就会错位。

v2核心指令清单及触发条件

【audio_start】：这是必须放在首位的指令，而且得同步推送WebRTC音频流的第一个PCM chunk。如果先发指令后推流，或者流延迟超过80ms，系统会直接报ERR_AUDIO_MISALIGN错误，然后会话终止。节奏非常重要，一步都不能错。

【function_call:enable】：开启外部工具调用时，必须在audio_start后的300ms内发出，还要附带JSON Schema来描述参数约束。经典版可以在LLM输出阶段临时生成函数调用，v2不行，它要求在音频流一开始就声明好可用的函数集。如果没声明，后面语音里说“查订单”、“查天气”，模型会直接忽略，因为它根本不知道有这个功能。

【response_mode:stream】：强制开启逐字音频流输出。和经典版TTS那种“整句合成后播放”不同，这个模式下，模型每生成200ms语音波形就立即推送至客户端。如果忘了声明，系统默认使用response_mode:buffer，结果就是首字延迟飙到1.2秒以上，对话体验大打折扣。

经典版指令回顾（仅作对比参考）

经典版？那套老框架其实也挺有意思的，但完全是另一套逻辑。它基于文本管道设计，典型流程是：POST /stt → POST /llm?prompt=... → POST /tts。常用指令包括stt_language=zh-CN、llm_temperature=0.3、tts_voice=Female-Cantonese。这些参数到了v2全部失效，因为音频流已经绕过了文字中间态，根本不需要它们了。

经典版支持在运行时切换TTS音色，灵活度很高。v2的音色则是在audio_start时通过speaker_profile_id硬编码锁定的，要切换音色必须断开连接重新来。这是为了保障音频流端到端延迟的稳定性，算是一个必要的取舍。

经典版通过llm_max_tokens=512来控制回复长度，v2改用response_duration_ms=8000直接约束音频时长，超时自动截断并触发ERR_TRUNCATED_AUDIO事件。本质上，都是从“文本判断”转向了“音频判断”，这是端到端语音模型的核心变化。